Oct, 2023

多任务深度学习用于高分辨率卫星图像中的大规模建筑细节提取

PDF
TL;DR为了理解城市动态并促进可持续发展，我们引入了适用于从高分辨率卫星图像中同时提取空间和属性建筑细节的多任务建筑细化器（MT-BR），通过我们的采样方法训练的网络在预测准确性方面相对其他采样方法表现出改进，而 MT-BR 则在提取建筑细节方面始终优于其他先进方法，将在上海的应用中展示其实际可行性。
urban dynamicssustainable developmentgeospatial artificial intelligencebuilding detailsspatial sampling
发现论文，激发创造
  • 基于深度神经网络的建筑轮廓分割多任务学习

    本文研究了高分辨率遥感卫星图像中像素级预测方法的挑战，提出了一种新的级联多任务损失来保留语义分割边界。结果表明，不需要额外的后处理步骤，我们的方法在 Inria 航空图像标注数据集上优于现有技术 8.3％。

    Sep, 2017

  • 基于单目遥感影像的多级监督的三维建筑重建

    提出了一种适用于大规模交叉城市场景的多级监督建筑重建网络 (MLS-BRN)，旨在通过灵活利用带有不同注释级别的训练样本，在端到端的方式下实现更好的重建结果。实验证明，相较于现有的最先进方法，所提出的 MLS-BRN 在使用更少的三维注释样本的情况下能够达到有竞争力的性能，并显著提高了足迹提取和三维重建的性能。

    Apr, 2024

  • 自动化国家城市地图提取

    使用地球观测和深度学习方法，该论文旨在充分利用完全卷积神经网络来实现多类建筑物实例分割，以实现相对较高的像素度量分数，进而在缺乏适当城市规划的地区实现密集区域和贫民窟地区的高准确性结果，并以黎巴嫩为案例，成功产生了首个包含约 100 万个单位且准确率达 84% 的综合性国家建筑物足迹地图。

    Apr, 2024

  • 深度跨领域建筑物提取，用于倾斜航空图像的选择性深度估计

    使用卷积神经网络进行实时建筑物提取，提出了一种允许从倾斜航空影像中进行多视图深度估计的算法，结合 Faster R-CNN，可以从高空俯瞰图像中选择性地重建建筑物。

    Apr, 2018

  • RSBuilding: 通向通用遥感图像建筑目标提取和变化检测的基础模型

    提出了一种综合的遥感图像建筑理解模型，具有跨场景泛化和任务普适性，可以同时处理建筑提取和变化检测等两个结构不同的任务，并展现出鲁棒的零样本推广能力。

    Mar, 2024

  • 基于领域适应预训练和复合双主干的细粒度建筑屋顶实例分割

    我们提出了一个有效的框架来实现对高分辨率光学卫星图像中个别建筑物的语义解释，通过采用领域自适应预训练策略和复合双支干，以及新的数据增强流程、随机权重平均训练和基于实例分割的模型集成，实现了额外的性能提升。值得注意的是，我们还探讨了光学卫星图像和 SAR 数据的多模态数据融合的潜力。

    Aug, 2023

  • 高分辨率卫星遥感影像下的大陆尺度建筑物检测

    本文使用 50cm 卫星图像，通过建筑检测模型训练管道，对非洲进行了建筑物检测，包括模型体系结构、损失函数、正则化、预训练、自训练和后处理等方法，取得了较好的性能。

    Jul, 2021

  • 建筑物提取与高度估计的多任务学习的数据融合

    根据 DFC23 赛事提出的城市重建问题，本文尝试使用光学和雷达卫星图像的多任务学习方法来进行建筑物提取和高度估计，实验结果显示在约束条件下进行的建筑物提取和高度估计任务的基准结果显著提高。

    Aug, 2023

  • UB-FineNet: 面向开放卫星图像的都市建筑细粒度分类网络

    借助开放访问的卫星图像，我们提出了一种深度网络方法，用于解决城市建筑的细粒度分类问题，通过空间分辨率增强和类别信息平衡模块的引入来改进分类鲁棒性和准确性，实验证明该方法在高精度图像的分类上与街景图像方法相当，可为城市规划者提供有价值的工具。

    Mar, 2024

  • LIGHT: 卫星图像联合多任务学习网络实现建筑物提取和高度估计

    通过多任务学习神经网络 (LIGHT) 将个体的建筑提取和高度估计结合起来，在输出建筑物的高度地图、边界框和分割掩码图的同时，通过门控交叉任务交互 (GCTI) 模块提高了特征交互的效率。实验结果表明，背景为 ResNet101 的 LIGHt 在 DFC2023 数据集上表现出优越的性能，并使多任务学习的性能显著提高了 2.8％ AP50 和 6.5％ delta1。

    Apr, 2023